WO2020037931A1 - 项目推荐方法、装置、计算机设备及存储介质 - Google Patents

项目推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
WO2020037931A1
WO2020037931A1 PCT/CN2018/125332 CN2018125332W WO2020037931A1 WO 2020037931 A1 WO2020037931 A1 WO 2020037931A1 CN 2018125332 W CN2018125332 W CN 2018125332W WO 2020037931 A1 WO2020037931 A1 WO 2020037931A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
item
target user
rating
value
Prior art date
Application number
PCT/CN2018/125332
Other languages
English (en)
French (fr)
Inventor
吴壮伟
Original Assignee
平安科技（深圳）有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 平安科技（深圳）有限公司 filed Critical 平安科技（深圳）有限公司
Publication of WO2020037931A1 publication Critical patent/WO2020037931A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation

Definitions

  • the present application relates to the field of computer technology, and in particular, to an item recommendation method, device, computer equipment, and storage medium.
  • the recommendation system is an intelligent agent system proposed to solve the problem of information overload. It can automatically recommend resources from a large amount of information to users that meet their interest preferences or needs. With the rapid development of the Internet, recommendation systems have been applied in various fields, especially in fields such as e-commerce websites.
  • Collaborative filtering algorithms are commonly used algorithms in recommendation systems, which include user-based collaborative filtering algorithms and item-based collaborative filtering algorithms. However, at present, whether it is a user-based or item-based collaborative filtering algorithm, there are problems with outdated or lagging in the recommended items. The target user may have been interested in the recommended items, but at this time is no longer interested. This not only reduces the accuracy of the push items, but also brings a bad user experience to the user.
  • This application provides an item recommendation method, device, computer equipment, and storage medium to improve the accuracy of item recommendation and effectively avoid the problem of lags in recommended items.
  • the present application provides an item recommendation method, which includes: obtaining a score vector of a target user and obtaining a plurality of user groups stored in advance, wherein each of the user groups includes a plurality of users and a plurality of the user groups.
  • a user's rating vector where the rating vector is a vector formed by the corresponding target user or user's rating value for at least one item; and according to the target user's rating vector, determining the relationship between The user group with the highest similarity of the target user is used as the target user group; and each of the target user and the target user group is calculated according to the target user's rating vector and the user's rating vector in the target user group.
  • Similarity values between users determining similar users of the target user from the target user group according to the similarity values; obtaining items rated by the similar users and not rated by the target users as recommendations Project, and generate a first item recommendation table according to the recommended items; according to the similarity value,
  • the similar user's rating value of the recommended item and the corresponding time attenuation factor are calculated according to a preset calculation formula for each item of the recommended item in the first item recommendation table, wherein the time attenuation factor A value of an exponential decay function between the current query time of the target user and the rating time of the similar item for the recommended item by the similar user; and according to the item rating value, the first item is ranked according to a preset sorting rule
  • the recommended items in the recommendation table are sorted to generate a second item recommendation table, and the second item recommendation table is pushed to the target user.
  • the present application provides an item recommendation device, including: an obtaining unit, configured to obtain a rating vector of a target user and obtain a plurality of user groups stored in advance, wherein each of the user groups includes a plurality of users And a plurality of rating vectors for the user, where the rating vector is a vector formed by a corresponding rating value of the target user or the user for at least one item; a group determining unit is configured to, according to the rating vector of the target user, A user group having the highest similarity to the target user is determined from a plurality of the user groups as a target user group; a similarity calculation unit is configured to, according to the target user's rating vector and the users in the target user group, A scoring vector, calculating a similarity value between the target user and each user in the target user group; a user determination unit configured to determine the target user from the target user group according to the similarity value Similar users; a generating unit, configured to obtain items rated by the similar users and not rated by the target user as
  • the present application further provides a computer device including a memory, a processor, and a computer program stored on the memory and executable on the processor.
  • the processor is implemented when the computer program is executed.
  • the item recommendation method provided by the first aspect.
  • the present application also provides a computer-readable storage medium, wherein the computer-readable storage medium stores a computer program, and the computer program, when executed by a processor, causes the processor to execute the first aspect.
  • FIG. 1 is a schematic flowchart of an item recommendation method according to an embodiment of the present application
  • FIG. 2 is another schematic flowchart of an item recommendation method according to an embodiment of the present application.
  • FIG. 3 is a schematic block diagram of an item recommendation device according to an embodiment of the present application.
  • FIG. 4 is another schematic block diagram of an item recommendation device according to an embodiment of the present application.
  • FIG. 5 is a schematic block diagram of a computer device according to an embodiment of the present application.
  • FIG. 1 is a schematic flowchart of an item recommendation method according to an embodiment of the present application.
  • This project recommendation method is applied to the server.
  • the item recommendation method includes steps S101 to S107.
  • S101 Obtain a rating vector of a target user and a plurality of user groups stored in advance, wherein each of the user groups includes multiple users and multiple user rating vectors, and the rating vectors are corresponding targets.
  • obtaining a rating vector of a target user specifically includes obtaining comment data of the target user, wherein the comment data includes a rating value of the target user for at least one item; and according to the target A user's rating value for an item constructs a rating vector for the target user.
  • the target user's rating vector includes the target user's rating value for at least one item, and the rating values at different positions represent the target user's rating for different items.
  • the target user's rating vector is, for example, (1, 1.5, 3).
  • the target user's rating vector includes three elements, which are 1, 1.5, and 3, where 1 represents the target user's rating of item A. Value, 1.5 indicates the target user's rating value for item B, and so on, that is, the position of the element in the rating vector represents the item, and the value of the element represents the item's rating value.
  • the rating values of the items reviewed by the target user need to be sorted according to certain rules so that The arrangement order of the items corresponding to the rating values in the generated target user's rating vector is the same as the arrangement order of the items in the user's rating vector of the user group.
  • Each user group includes multiple users and multiple users' rating vectors.
  • the user's rating vector is a vector formed by the user's rating of at least one item.
  • the score value may represent a real purchase, or it may be a quantitative index of different behaviors of the target user or the user on items such as products.
  • the rating value may be a quantitative index of the target user or the number of times the user browses the item, recommending the item to a friend, collecting, sharing, commenting, and so on. The rating value is used to characterize the target user or the user's preference for the item.
  • FIG. 2 is another schematic flowchart of an item recommendation method according to an embodiment of the present application.
  • steps S101a, S101b, S101c, and S101d are also included.
  • S101a Acquire comment data of multiple users, where the comment data includes a score value of the user for at least one item.
  • step S101 comment data of a plurality of users is obtained, and the comment data may include a user's rating value for each item.
  • the comment data of multiple users will not be very complete data.
  • the preset processing may be, for example, filtering out incomplete review data of user a, and then obtaining k similar users similar to user a, and then performing k similar users on the rating value of item A
  • the weighted average is used to predict and obtain a user's rating value for item A, so as to complete the comment data of user a.
  • the above-mentioned preset processing is the completion processing of the incomplete comment data of the user a, and the completion method is not limited to the foregoing method, and may be other methods, which are not specifically limited herein.
  • the preset processing is not limited to the completion of incomplete data. It can also delete users with incomplete comment data, for example, delete user a and the corresponding comment data, that is, user a is not used. Review data for recommendations.
  • S101b Construct a rating vector of the user according to a rating value of the user for at least one of the items.
  • a rating vector for each user will be constructed based on each user's rating value for the item. It should be noted that the positions of the elements in the rating vector represent items. In order to facilitate subsequent calculations, the order of the items corresponding to the rating values in the rating vector of all users is the same.
  • S101c Perform similarity calculation on a plurality of the users according to the rating vector to divide the plurality of users into different user groups.
  • performing similarity calculation on a plurality of the users according to the rating vector to divide the plurality of users into different user groups specifically including: adopting mean clustering according to the rating vector.
  • the algorithm performs a similarity calculation on a plurality of the users to divide the plurality of users into different user groups. It can be understood that after dividing multiple user groups by the average clustering algorithm, each user group has a centroid and a score vector corresponding to the centroid. The centroid and the score vector corresponding to the centroid can be used to calculate and obtain the target user group.
  • a user group with the highest similarity to the target user is determined from the multiple user groups as the target user group.
  • each user group has a centroid and a score vector corresponding to the centroid.
  • the method of confirming the target user group is specifically: calculating a distance value between the target user's rating vector and the rating vector of the centroid of each of the user groups; and corresponding to the smallest distance value among the plurality of distance values.
  • the user group is a target user group, and the distance value is negatively related to the similarity.
  • the smaller the calculated distance value the higher the similarity between the target user's rating vector and the users in the corresponding user group. Therefore, the user group with the smallest distance value can be selected as the target user group.
  • the similar users of the target user will be further confirmed from the target user group.
  • the similarity value between the target user and each user in the user group to which the target user belongs is first calculated according to the target user's rating vector and the user's rating vector in the user group to which the target user belongs.
  • the similarity value may be a Pearson correlation coefficient (full name in English: Pearson Correlation Coefficient), or may be Euclidean distance, which is not specifically limited herein.
  • the server stores a preset threshold value in advance. At this time, determining a similar user of the target user from the target user group according to the similarity value specifically includes obtaining a preset threshold value, And a user corresponding to a similarity value exceeding the preset threshold is selected as a similar user of the target user. This completes the screening of similar users from the target user group by similarity values.
  • acquiring items that have been rated by similar users and not rated by the target user as recommended items is specifically: obtaining items that have been rated by similar users one by one, and determining the similarity Whether the item rated by the user matches any one of the at least one item rated by the target user; and if the item rated by the similar user does not match all the items rated by the target user, obtain The similar user-rated items that do not match all the items rated by the target user are used as recommended items.
  • items that have been rated by similar users are obtained one by one, and then items that have been rated by similar users are compared with all items that have been rated by the target user. If an item that has been rated by a similar user is rated by the target user, All of the items do not match, indicating that the target user has not commented on the item, at this time, you can set the item as a recommended item.
  • acquiring items rated by similar users and not rated by the target user as recommended items is specifically: obtaining items corresponding to zero elements in the target user ’s rating vector, The item corresponding to the zero element is taken as a recommended item.
  • the ranking order of the items corresponding to the rating values in the rating vector of the users in the user group is the same as that of the target user's rating vector. For example, suppose that each user in the user group scores item A, item B, item C, item D, and item E, and the corresponding rating values are expressed in order as A1, B1, C1, D1, and E1. Then each user's rating vector can be (A1, B1, C1, D1, E1). Assuming that the target user has rated items A, C, and E, and the corresponding rating values are expressed as A2, C2, and E2 in order, the target user's rating vector can be (A2, 0, C2, 0, E2) ).
  • the elements corresponding to item B and item D in the target user's rating vector are 0, that is, item B and item in the target user's rating vector
  • the element corresponding to D is the zero element. Therefore, the item corresponding to the zero element in the rating vector of the target user can be obtained as the recommended item.
  • S106 Calculate the first item recommendation according to a preset calculation formula according to a similarity value between the target user and the similar user, a score value of the similar user on the recommended item, and a corresponding time decay factor.
  • the preset calculation formula may be:
  • Sc i is the item score of the i-th recommended item in the first item recommendation table
  • Sim j is the similarity value between the target user and the j-th similar user
  • Sc ji is the j-th similar user
  • the scoring time t ji can be obtained from the review data of similar users, that is, the review data of similar users includes, in addition to the ratings of similar items on the items, the similar users' ratings Rating time.
  • the rating time t ji may be a weighted average of one or more times such as the time when similar users browse items, the time to recommend items to friends, the time to bookmark, the time to share, and the time to comment.
  • step S107 is specifically: rearranging the recommended items in the first item recommendation table in order of the item score values from large to small to generate a second item recommendation table. That is, the preset arrangement rule is a rule arranged in order of item score values from large to small.
  • step S107 is specifically: rearranging the recommended items in the first item recommendation table in order of the item score values from large to small to generate a third item recommendation table; obtaining multiple items The comment time of each user in the user group for the recommended item; and obtaining a preset number of comment times for a later comment time from the comment time of all the users in the plurality of user groups for the recommended item Calculate the average of the preset number of comment times as the average comment time of the recommended items; filter out from the third item recommendation table the recommended items whose average comment time satisfies the preset time conditions to form the first Second project recommendation form.
  • step S106 calculates the item rating values corresponding to the 10 recommended items
  • step S107 arranges the item rating values in descending order to form a third item recommendation table. Then obtain the comment time of each user in the third item recommendation table for each user in multiple user groups, and then filter out the first 100 comment times with a later comment time, and calculate the average of the 100 comment times as Average review time for recommended items.
  • the average comment time corresponding to each recommended item can be obtained, and then the top 5 recommended items with a later average comment time are filtered from the third item recommendation table, and a second item recommendation table is generated based on the 5 recommended items.
  • the preset time condition is the first 5 average comment times with a later average comment time.
  • the recommended items can be filtered according to the two dimensions of the item rating value and the average comment time of the item, which can further ensure that the filtered recommended items can meet the current needs of the target user.
  • step S107 is specifically: rearranging the recommended items in the first item recommendation table in order of the item score values from large to small to generate a third item recommendation table; obtaining the third item recommendation table The online time of the item corresponding to each of the recommended items; selecting the recommended items whose online time meets the preset time condition from the third item recommendation table to form a second item recommendation table.
  • the item recommendation method in this embodiment introduces a time decay factor that exponentially decays between the current query time of the target user and the similar user's rating time of the recommended item when making the item recommendation, so that the recommended item can be more Accurate, especially for some time-sensitive projects such as news, this method can effectively avoid the problem of time lag in recommending projects and improve the accuracy of project recommendation.
  • An embodiment of the present application further provides an item recommendation device, and the item recommendation device is configured to execute any one of the foregoing item recommendation methods.
  • FIG. 3 is a schematic block diagram of an item recommendation device provided by an embodiment of the present application.
  • the item recommendation device 300 may be installed in a server.
  • the item recommendation device 300 includes an acquisition unit 301, a group determination unit 302, a similarity calculation unit 303, a user determination unit 304, a generation unit 305, a score value calculation unit 306, and a recommendation unit 307.
  • the obtaining unit 301 is configured to obtain a rating vector of a target user and a plurality of user groups stored in advance, wherein each of the user groups includes multiple users and multiple user rating vectors, and the rating vectors are corresponding A vector formed by the target user or the user's rating value for at least one item.
  • the obtaining unit 301 is specifically configured to obtain comment data of a target user, where the comment data includes a target user's rating value for at least one item; and constructing a target based on the target user's rating value for the item User rating vector.
  • FIG. 4 is another schematic block diagram of an item recommendation device according to an embodiment of the present application.
  • the item recommendation device 300 further includes a data acquisition unit 308, a vector construction unit 309, a division unit 310, and a storage unit 311.
  • the data acquiring unit 308 is configured to acquire comment data of multiple users, where the comment data includes a rating value of the user for at least one item.
  • a vector construction unit 309 is configured to construct a rating vector of the user according to a rating value of the user for at least one of the items.
  • a dividing unit 310 is configured to perform similarity calculation on a plurality of the users according to the rating vector to divide the plurality of users into different user groups.
  • the dividing unit 310 is specifically configured to perform a similarity calculation on a plurality of the users by using a mean clustering algorithm according to the rating vector to divide the plurality of users into different user groups, where: Each of the user groups includes a centroid and a score vector corresponding to the centroid.
  • the storage unit 311 is configured to store a plurality of the user groups.
  • a group determining unit 302 is configured to determine a user group with the highest similarity to the target user from a plurality of the user groups according to a rating vector of the target user as a target user group.
  • the group determining unit 302 is specifically configured to calculate a distance value between a rating vector of the target user and a rating vector of a centroid of each of the user groups;
  • the user group corresponding to the smallest distance value is regarded as the target user group, and the distance value has a negative correlation with the similarity.
  • a similarity calculating unit 303 is configured to calculate a similarity between the target user and each user in the target user group according to the target user's rating vector and the users in the target user group. value.
  • the user determining unit 304 is configured to determine a similar user of the target user from the target user group according to the similarity value.
  • the user determining unit 304 is specifically configured to obtain a preset threshold; and screen users corresponding to similarity values exceeding the preset threshold as similar users of the target user.
  • a generating unit 305 is configured to obtain items rated by the similar users and not rated by the target user as recommended items, and generate a first item recommendation table according to the recommended items.
  • the generating unit 305 is specifically configured to obtain the items rated by the similar users one by one, and determine whether the items rated by the similar users are at least one of the items rated by the target user. Any item matches; if the items rated by the similar user do not match all the items rated by the target user, the similar user ratings that do not match all the items rated by the target user are obtained As a recommended item.
  • the generating unit 305 is specifically configured to obtain an item corresponding to a zero element in the target user's rating vector, and use the item corresponding to the zero element as a recommended item.
  • the score value calculating unit 306 is configured to calculate according to a preset calculation formula according to a similarity value between the target user and the similar user, a score value of the similar user on the recommended item, and a corresponding time attenuation factor.
  • An item rating value of each of the recommended items in the first item recommendation table, wherein the time decay factor is between the current query time of the target user and the similar user's rating time of the recommended item The value of the exponential decay function.
  • the preset calculation formula is: Where Sc i is the item rating value of the i-th recommended item in the first item recommendation table, Sim j is the similarity value between the target user and the j-th similar user, and Sc ji is the j-th similarity
  • a recommending unit 307 configured to sort the recommended items in the first item recommendation table according to the preset rating rule to generate a second item recommendation table, and push the second item recommendation table To the target user.
  • the recommending unit 307 is specifically configured to rearrange the recommended items in the first item recommendation table in order of the item score values from large to small to generate a second item recommendation table.
  • the preset arrangement rule is a rule in which items are ranked in ascending order.
  • the recommending unit 307 is specifically configured to rearrange the recommended items in the first item recommendation table in order of the item score values from large to small to generate a third item recommendation table; acquiring a plurality of items Each user's comment time on the recommended item in the user group; a preset number of comments with a later comment time are obtained from the comment time of all the users in the user group on the recommended item Time; calculating an average value of the preset number of comment times as the average comment time of the recommended items; filtering out from the third item recommendation table a recommendation item whose average comment time satisfies a preset time condition The second item recommendation form.
  • the recommendation unit 307 is specifically configured to rearrange the recommended items in the first item recommendation table in order of the item score values from large to small to generate a third item recommendation table; The online time of the item corresponding to each of the recommended items in the third item recommendation table; and filtering the recommended items whose online time satisfies a preset time condition from the third item recommendation table to form a second item recommendation table.
  • the item recommendation device 300 in this embodiment introduces a time decay factor that exponentially decays between the current query time of the target user and the similar user's rating time of the recommended item when making the item recommendation, so that the recommended item More accurately, especially for some news-sensitive items such as time, the item recommendation device 300 can effectively avoid the problem of lagging recommended items and improve the accuracy of item recommendation.
  • the above item recommendation device can be implemented in the form of a computer program, which can be run on a computer device as shown in FIG. 5.
  • FIG. 5 is a schematic block diagram of a computer device according to an embodiment of the present application.
  • the computer device 500 device may be a server.
  • the computer device 500 includes a processor 502, a memory, and a network interface 505 connected through a system bus 501.
  • the memory may include a non-volatile storage medium 503 and an internal memory 504.
  • the non-volatile storage medium 503 can store an operating system 5031 and a computer program 5032.
  • the computer program 5032 includes program instructions. When the program instructions are executed, the processor 502 can execute an item recommendation method.
  • the processor 502 is used to provide computing and control capabilities to support the operation of the entire computer device 500.
  • the internal memory 504 provides an environment for running the computer program 5032 in the non-volatile storage medium 503. When the computer program 5032 is executed by the processor 502, the processor 502 can execute an item recommendation method.
  • the network interface 505 is used for network communication, such as sending assigned tasks.
  • the specific computer equipment 500 may include more or fewer components than shown in the figure, or combine certain components, or have a different component arrangement.
  • the processor 502 is configured to run a computer program 5032 stored in a memory to implement the following functions: obtaining a score vector of a target user and obtaining a plurality of user groups stored in advance, wherein each of the user groups includes multiple Rating vectors of multiple users and multiple users, the rating vector being a vector formed by the corresponding rating value of the target user or user for at least one item; according to the rating vector of the target user, The user group determines the user group with the highest similarity to the target user as the target user group; and calculates the target user and the target user based on the target user's rating vector and the user's rating vector in the target user group.
  • a rating value wherein the time decay factor is a value of an exponential decay function between the current query time of the target user and the rating time of the similar user for the recommended item; and according to the item rating value, according to The preset sorting rule sorts the recommended items in the first item recommendation table to generate a second item recommendation table, and pushes the second item recommendation table to the target user.
  • the processor 502 also implements the following function before acquiring the rating vector of the target user and acquiring a plurality of user groups stored in advance: acquiring comment data of a plurality of users, wherein the comment data includes the A user's rating value for at least one item; constructing a user's rating vector based on the user's rating value for at least one of the items; performing a similarity calculation on multiple users according to the rating vector to convert multiple The users are divided into different user groups; and a plurality of the user groups are stored.
  • the processor 502 when the processor 502 performs similarity calculation on a plurality of the users according to the rating vector to divide the plurality of users into different user groups, the processor 502 specifically implements the following function: according to the rating vector Using a mean clustering algorithm to perform similarity calculation on a plurality of the users to divide the plurality of users into different user groups, wherein each of the user groups includes a centroid and a score vector corresponding to the centroid.
  • the processor 502 executes to determine a user group with the highest similarity to the target user from a plurality of the user groups as the target user group according to the target user's rating vector
  • the processor 502 specifically implements the following function: The distance value between the target user's rating vector and the centroid's rating vector of each of the user groups; and the user group corresponding to the smallest distance value among the plurality of distance values as the target user group, wherein, the The distance value is negatively related to the similarity.
  • the processor 502 when the processor 502 executes determining similar users of the target user from the target user group according to the similarity value, the processor 502 specifically implements the following functions: obtaining a preset threshold value; The user corresponding to the similarity value of the preset threshold is used as the similar user of the target user.
  • the processor 502 when the processor 502 executes acquiring the items that have been rated by similar users and that have not been rated by the target user as recommended items, the processor 502 specifically implements the following functions: one by one, obtaining items that have been rated by similar users, And determine whether the item rated by the similar user matches any one of at least one item rated by the target user; and if the item rated by the similar user matches all items rated by the target user If they do not match, the similar user-rated items that do not match all the items rated by the target user are obtained as recommended items.
  • the processor 502 when the processor 502 executes obtaining the items rated by the similar users and not rated by the target user as recommended items, the processor 502 specifically implements the following function: obtaining zero elements in the target user's rating vector A corresponding item, and an item corresponding to the zero element is taken as a recommended item.
  • the preset calculation formula is: Where Sc i is the item rating value of the i-th recommended item in the first item recommendation table, Sim j is the similarity value between the target user and the j-th similar user, and Sc ji is the j-th similarity
  • the processor 502 may be a central processing unit, and the processor 502 may also be other general-purpose processors, digital signal processors, application specific integrated circuits, ready-made programmable gate arrays, or other programmable logic. Devices, discrete gate or transistor logic devices, discrete hardware components, etc.
  • the general-purpose processor may be a microprocessor, or the processor may be any conventional processor.
  • a person of ordinary skill in the art can understand that all or part of the processes in the embodiment of the method for project recommendation described above can be completed by instructing related hardware through a computer program.
  • the computer program may be stored in a computer-readable storage medium.
  • the computer program is executed by at least one processor in the computer system to implement the process steps of the embodiment including the item recommendation method as described above.
  • the computer-readable storage medium may be various media that can store program codes, such as a U disk, a mobile hard disk, a read-only memory (ROM, Read-Only Memory), a magnetic disk, or an optical disk.
  • program codes such as a U disk, a mobile hard disk, a read-only memory (ROM, Read-Only Memory), a magnetic disk, or an optical disk.
  • each example described in combination with the embodiments disclosed herein can be implemented by electronic hardware, computer software, or a combination of the two.
  • the disclosed apparatus and method may be implemented in other ways.
  • the division of each unit is only a logical function division, and there may be another division manner in actual implementation.
  • the steps in the method embodiment can be adjusted, combined and deleted according to actual needs.
  • Each functional unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist separately physically, or two or more units may be integrated into one unit.
  • the integrated unit When the integrated unit is implemented in the form of a software functional unit and sold or used as an independent product, it can be stored in a storage medium.
  • the technical solution of this application is essentially a part that contributes to the existing technology, or all or part of the technical solution may be embodied in the form of a software product, which is stored in a storage medium Included are instructions for causing a computer device (which may be a personal computer, a terminal, or a network device, etc.) to perform all or part of the steps of the method described in the embodiments of the present application.

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种项目推荐方法、装置、计算机设备及存储介质。该方法先确定目标用户的相似用户（S104）；将相似用户评分过的且目标用户未评分过的项目作为推荐项目（S105）；根据相似度值、推荐项目的评分值和时间衰减因子计算每个推荐项目的项目评分值（S106）；根据项目评分值将多个推荐项目进行排序并推送至目标用户（S107）。

Description

项目推荐方法、装置、计算机设备及存储介质
本申请要求于2018年8月20日提交中国专利局、申请号为201810947798.9、发明名称为“项目推荐方法、装置、计算机设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及计算机技术领域，尤其涉及一种项目推荐方法、装置、计算机设备及存储介质。
背景技术
推荐系统是为解决信息过载问题而提出的一种智能代理系统，其能从大量信息中向用户自动推荐出符合其兴趣偏好或需求的资源。随着互联网的飞速发展，推荐系统已被应用在各个领域，尤其是应用在电子商务网站等领域。
协同过滤算法是推荐系统常用的算法，其包括基于用户的协同过滤算法和基于项目的协同过滤算法。然而，目前无论是基于用户的还是基于项目的协同过滤算法，其均存在所推荐的项目出现过时或滞后的问题，目标用户可能曾经对所推荐的项目感兴趣，但此时已经不感兴趣了，这不但降低了推送项目的准确性，同时，也给用户带来不好的用户体验。
发明内容
本申请提供了一种项目推荐方法、装置、计算机设备及存储介质，以提高项目推荐的准确性，有效避免推荐项目出现滞后的问题。
第一方面，本申请提供了一种项目推荐方法，其包括：获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；根据所 述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
第二方面，本申请提供了一种项目推荐装置，其包括：获取单元，用于获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；群确定单元，用于根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；相似度计算单元，用于根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；用户确定单元，用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；生成单元，用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；评分值计算单元，用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及推荐单元，用于根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
第三方面，本申请又提供了一种计算机设备，包括存储器、处理器及存储 在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的所述的项目推荐方法。
第四方面，本申请还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行第一方面提供的所述的项目推荐方法。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种项目推荐方法的示意流程图；
图2为本申请实施例提供的一种项目推荐方法的另一示意流程图；
图3为本申请实施例提供的一种项目推荐装置的示意性框图；
图4为本申请实施例提供的一种项目推荐装置的另一示意性框图；
图5为本申请实施例提供的一种计算机设备的示意性框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参阅图1，图1是本申请实施例提供的一种项目推荐方法的示意流程图。该项目推荐方法应用于服务器中。如图1所示，该项目推荐方法包括步骤S101～S107。
S101、获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量。
当目标用户需要服务器进行项目推荐时，服务器先获取目标用户的评分向量。具体地，在一实施例中，获取目标用户的评分向量，具体包括获取目标用 户的评论数据，其中，所述评论数据包括所述目标用户对至少一个项目的评分值；以及，根据所述目标用户对项目的评分值构建所述目标用户的评分向量。
在目标用户的评分向量中包括目标用户对至少一个项目的评分值，不同位置的评分值代表目标用户对不同项目的评分。譬如，目标用户的评分向量例如为(1，1.5，3)，在该目标用户的评分向量中，包括三个元素，分别为1、1.5和3，其中，1表示目标用户对项目A的评分值，1.5表示目标用户对项目B的评分值，依次类推，也即，评分向量中元素的位置代表项目，元素的值代表项目的评分值。因此，为了方便后续的相似度值的计算等，在根据目标用户对项目的评分值构建目标用户的评分向量时，需要将目标用户所评论的项目的评分值按照一定的规则进行排序，以使得所生成的目标用户的评分向量中评分值所对应的项目的排列顺序与用户群中用户的评分向量中项目的排列顺序相同。
在获得目标用户的评分向量后，将获取预先存储的多个用户群。每个用户群包括多个用户及多个用户的评分向量，用户的评分向量为用户对至少一个项目的评分值所形成的向量。
另外，在本实施例中，评分值可能表示真实的购买，也可以是目标用户或用户对商品等项目的不同行为的量化指标。譬如，该评分值可以为目标用户或用户浏览项目的次数、向朋友推荐项目、收藏、分享、评论等等这些行为的量化指标。该评分值用于表征目标用户或用户对项目的偏好程度。
在一实施例中，如图2所示，图2为本申请实施例提供的一种项目推荐方法的另一示意流程图。在步骤S101之前，还包括步骤S101a、S101b、S101c和S101d。
S101a、获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值。
在执行步骤S101之前，先获得多个用户的评论数据，该评论数据可以包括用户对每个项目的评分值。一般来说，有时多个用户的评论数据不会是很完整的数据，在获取多个用户的评论数据之前还需要对多个用户的评论数据进行预设处理。譬如，在多个用户中，a用户未对项目A进行评分，而其他用户都对项目A进行了评分，此时a用户的评论数据就不是完整的数据，需要对多个用户的评论数据进行预设处理，比如，预设处理可以例如为：筛选出不完整的a用户的评论数据，然后，获取与a用户相似的k个相似用户，再将k个相似用户 对项目A的评分值进行加权平均来预测并获得a用户对项目A的评分值，从而将a用户的评论数据补充完整。
可以理解的是，上述预设处理是对不完整的a用户的评论数据进行补全处理，补全的方式不局限于上述方式，还可以为其他方式，在此不做具体限制。另外，预设处理也不局限于对不完整数据进行补全处理，还可以为对评论数据不完整的用户进行删除，比如，将a用户以及对应的评论数据进行删除，即不采用a用户的评论数据进行相关推荐。
S101b、根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量。
在获取到多个用户的评论数据后，将根据每个用户对项目的评分值构建每个用户的评分向量。需要说明的是，评分向量中的元素的位置表征了项目，为了方便后续计算，所有用户的评分向量中评分值所对应的项目的排列顺序相同。
S101c、根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。
具体地，在一实施例中，根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群，具体包括：根据所述评分向量，采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。可以理解的是，在通过均值聚类算法划分出多个用户群之后，每个用户群均有一个质心以及质心对应的评分向量。该质心以及质心对应的评分向量可以用来计算并获得目标用户群。
S101d、存储多个所述用户群。
S102、根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群。
在获得目标用户的评分向量之后，需要根据目标用户的评分向量从多个用户群中找到与目标用户相似度最高的用户群作为目标用户群。
具体地，在一实施例中，由于每个用户群都有质心和质心对应的评分向量。确认目标用户群的方式具体为：计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值；以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群，其中，所述距离值与相似度呈负相关。
可以理解的是，所计算出的距离值越小，说明目标用户的评分向量与对应 的用户群中的用户之间的相似性更高，因此，可以通过筛选出距离值最小的用户群作为目标用户群。
S103、根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值。
在获得目标用户群后，为了提高推荐的准确率，将进一步从目标用户群中确认目标用户的相似用户。具体地，先根据目标用户的评分向量和其所属的用户群中的用户的评分向量计算目标用户与其所属的用户群中的每个用户之间的相似度值。在一实施例中，该相似度值可以为皮尔逊相关系数(英文全称：Pearson Correlation Coefficient)，也可以为欧几里德距离，在此不做具体限制。
S104、根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户。
具体地，在一实施例中，服务器预先存储有一个预设阈值，此时，根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户，具体包括获取预设阈值，以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。这样就完成了通过相似度值从目标用户群中筛选出相似用户。
S105、获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表。
具体地，在一实施例中，获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，具体为：逐一获取所述相似用户评分过的项目，并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配；以及若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配，获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。在该实施例中，逐一获取相似用户评分过的项目，然后逐一将相似用户评分过的项目与目标用户评分过的所有项目进行比对，若某个相似用户评分过的项目与目标用户评分过的所有项目均不匹配，说明目标用户未评论过该项目，此时，可以将该项目设为推荐项目。
具体地，在另一实施例中，获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，具体为：获取所述目标用户的评分向量中零元素对应的项目，并将所述零元素对应的项目作为推荐项目。
在该实施例中，由于目标用户的评分向量与用户群中用户的评分向量中评 分值所对应的项目的排列顺序相同。譬如，假设用户群中的每个用户都对项目A、项目B、项目C、项目D和项目E进行评分，且对应的评分值依次表示为A1、B1、C1、D1和E1。那么每个用户的评分向量可例如为(A1，B1，C1，D1，E1)。再假设目标用户对项目A、项目C和项目E进行了评分，且对应的评分值依次表示为A2、C2和E2，那么目标用户的评分向量可例如为(A2，0，C2，0，E2)。也就是说，由于该目标用户并未对项目B和项目D进行评分，因此，目标用户的评分向量中，项目B和项目D对应的元素为0，即目标用户的评分向量中项目B和项目D对应的元素为零元素。因此，可以获取目标用户的评分向量中零元素对应的项目作为推荐项目。
S106、根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值。
在一实施例中，该预设计算公式可以为：
Figure PCTCN2018125332-appb-000001
其中，Sc i为所述第一项目推荐表中第i个推荐项目的项目评分，Sim j为所述目标用户与第j个相似用户之间的相似度值，Sc ji为第j个相似用户对第i个推荐项目的评分值，
Figure PCTCN2018125332-appb-000002
为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间t ji之间的时间衰减因子，N为所述相似用户的总数。
另外，需要说明的是，该评分时间t ji可以从相似用户的评论数据中获取，即相似用户的评论数据除了包括相似用户对项目的评分值外，还包括相似用户对每个项目进行评分时的评分时间。该评分时间t ji可以是相似用户进行浏览项目的时间、向朋友推荐项目的时间、收藏的时间、分享的时间、评论的时间等一种或几种时间的加权平均值。
S107、根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
在一实施例中，步骤S107具体为：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第二项目推荐表。也就是说， 预设排列规则为按照项目评分值从大到小的顺序排列的规则。
在另一实施例中，步骤S107具体为：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取多个所述用户群中每个用户对所述推荐项目的评论时间；从多个所述用户群中所有所述用户对所述推荐项目的评论时间中获取评论时间较晚的预设个数的评论时间；计算所述预设个数的评论时间的平均值作为所述推荐项目的平均评论时间；从所述第三项目推荐表中筛选出所述平均评论时间满足预设时间条件的推荐项目形成第二项目推荐表。
譬如，假设步骤S106计算出10个推荐项目对应的项目评分值，然后步骤S107按照项目评分值从大到小的顺序进行排列，形成第三项目推荐表。再获取多个用户群中每个用户对第三项目推荐表中每个推荐项目的评论时间，然后筛选出评论时间较晚的前100个评论时间，并计算这100个评论时间的平均值作为推荐项目的平均评论时间。这样，可以获得每个推荐项目对应的平均评论时间，然后再从第三项目推荐表中筛选出平均评论时间较晚的前5个推荐项目并根据这5个推荐项目生成第二项目推荐表，也就是说，预设时间条件为平均评论时间较晚的前5个平均评论时间。这样可以完成根据项目评分值和项目的平均评论时间两个维度对推荐项目进行筛选，可以进一步确保筛选出的推荐项目可以满足目标用户的当前需求。
当然，在其他实施例中，除了将项目评分值和项目的平均评论时间结合进行项目筛选外，还可以将项目评分值和其他时间进行结合。譬如，可以将项目评分值和项目上线时间进行结合以筛选项目。这样，步骤S107具体为：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取所述第三项目推荐表中每个所述推荐项目对应的项目上线时间；从所述第三项目推荐表中筛选出项目上线时间满足预设时间条件的推荐项目形成第二项目推荐表。
本实施例中的项目推荐方法，在进行项目推荐时，引入目标用户的当前查询时间与相似用户对推荐项目的评分时间之间的呈指数衰减的时间衰减因子，这样可以使得所推荐的项目更准确，尤其对于一些新闻等对时间比较敏感的项目来说，该方法可以有效避免推荐项目出现时间滞后的问题，提高项目推荐的准确性。
本申请实施例还提供一种项目推荐装置，该项目推荐装置用于执行前述任一项项目推荐方法。具体地，请参阅图3，图3是本申请实施例提供的一种项目推荐装置的示意性框图。该项目推荐装置300可以安装于服务器中。
如图3所示，项目推荐装置300包括获取单元301、群确定单元302、相似度计算单元303、用户确定单元304、生成单元305、评分值计算单元306和推荐单元307。
获取单元301，用于获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量。
具体地，在一实施例中，获取单元301具体用于获取目标用户的评论数据，其中，该评论数据包括目标用户对至少一个项目的评分值；以及，根据目标用户对项目的评分值构建目标用户的评分向量。
在一实施例中，如图4所示，图4为本申请实施例提供的一种项目推荐装置的另一示意性框图。该项目推荐装置300还包括数据获取单元308、向量构建单元309、划分单元310和存储单元311。数据获取单元308，用于获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值。向量构建单元309，用于根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量。划分单元310，用于根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群。
在一实施例中，该划分单元310具体用于：根据所述评分向量，采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群，其中，每个所述用户群包括质心以及所述质心对应的评分向量。
存储单元311，用于存储多个所述用户群。
群确定单元302，用于根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群。
具体地，在一实施例中，该群确定单元302具体用于计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值；将多个所述距离值中最小的距离值对应的用户群作为目标用户群，该距离值与相似度呈负相关。
相似度计算单元303，用于根据所述目标用户的评分向量和所述目标用户群 中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值。
用户确定单元304，用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户。
具体地，在一实施例中，用户确定单元304具体用于获取预设阈值；筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
生成单元305，用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表。
具体地，在一实施例中，生成单元305具体用于逐一获取所述相似用户评分过的项目，并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配；若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配，获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
具体地，在另一实施例中，生成单元305具体用于获取所述目标用户的评分向量中零元素对应的项目，并将所述零元素对应的项目作为推荐项目。
评分值计算单元306，用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值。
在一实施例中，该预设计算公式为：
Figure PCTCN2018125332-appb-000003
其中，Sc i为所述第一项目推荐表中第i个推荐项目的项目评分值，Sim j为所述目标用户与第j个相似用户之间的相似度值，Sc ji为第j个相似用户对第i个推荐项目的评分值，
Figure PCTCN2018125332-appb-000004
为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间t ji之间的时间衰减因子，N为所述相似用户的总数。
推荐单元307，用于根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
在一实施例中，推荐单元307具体用于按照所述项目评分值从大到小的顺 序重新排列所述第一项目推荐表中的推荐项目，以生成第二项目推荐表。也就是说，预设排列规则为按照项目评分值从大到小的顺序排列的规则。
在另一实施例中，推荐单元307具体用于按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取多个所述用户群中每个用户对所述推荐项目的评论时间；从多个所述用户群中所有所述用户对所述推荐项目的评论时间中获取评论时间较晚的预设个数的评论时间；计算所述预设个数的评论时间的平均值作为所述推荐项目的平均评论时间；从所述第三项目推荐表中筛选出所述平均评论时间满足预设时间条件的推荐项目形成第二项目推荐表。
在又一实施例中，推荐单元307具体用于按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取所述第三项目推荐表中每个所述推荐项目对应的项目上线时间；从所述第三项目推荐表中筛选出项目上线时间满足预设时间条件的推荐项目形成第二项目推荐表。
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的项目推荐装置300和各单元的具体工作过程，可以参考前述项目推荐方法实施例中的对应过程，在此不再赘述。
本实施例中的项目推荐装置300，在进行项目推荐时，引入目标用户的当前查询时间与相似用户对推荐项目的评分时间之间的呈指数衰减的时间衰减因子，这样可以使得所推荐的项目更准确，尤其对于一些新闻等对时间比较敏感的项目来说，该项目推荐装置300可以有效避免推荐项目滞后的问题，提高项目推荐的准确性。
上述项目推荐装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500设备可以是服务器。参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种 项目推荐方法。该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种项目推荐方法。该网络接口505用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
在一实施例中，处理器502在执行获取目标用户的评分向量以及获取预先存储的多个用户群之前，还实现如下功能：获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值；根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量；根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群；以及存储多个所述用户群。
在一实施例中，处理器502在执行根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群时，具体实现如下功能：根据所述评分向量，采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群，其中，每个所述用户群包括质心以及所述质心对应的评分向量。相应地，处理器502在执行根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群时，具体实现如下功能：计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值；以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群，其中，所述距离值与相似度呈负相关。
在一实施例中，处理器502在执行根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户时，具体实现如下功能：获取预设阈值；以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
在一实施例中，处理器502在执行获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目时，具体实现如下功能：逐一获取所述相似用户评分过的项目，并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配；以及若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配，获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
在一实施例中，处理器502在执行获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目时，具体实现如下功能：获取所述目标用户的评分向量中零元素对应的项目，并将所述零元素对应的项目作为推荐项目。
在一实施例中，所述预设计算公式为：
Figure PCTCN2018125332-appb-000005
其中，Sc i为所述第一项目推荐表中第i个推荐项目的项目评分值，Sim j为所述目标用户与第j个相似用户之间的相似度值，Sc ji为第j个相似用户对第i个推荐项目的评分值，
Figure PCTCN2018125332-appb-000006
为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间t ji之间的时间衰减因子，N为所述相似用户的总数。
应当理解，在本申请实施例中，处理器502可以是中央处理单元，该处理器502还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组 件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述项目推荐方法实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序可存储于一计算机可读存储介质中。该计算机程序被该计算机系统中的至少一个处理器执行，以实现包括如上述各项目推荐方法的实施例的流程步骤。
该计算机可读存储介质可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现。在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例中，各个单元的划分仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。方法实施例中的步骤可以根据实际需要进行顺序调整、合并和删减。在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (20)

  1. 一种项目推荐方法，其包括：
    获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；
    根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；
    根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；
    根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；
    获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；
    根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及
    根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
  2. 根据权利要求1所述的项目推荐方法，其中，在所述获取目标用户的评分向量以及获取预先存储的多个用户群之前，还包括：获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值；根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量；根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群；以及存储多个所述用户群。
  3. 根据权利要求2所述的项目推荐方法，其中，所述根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群，包括：根据所述评分向量，采用均值聚类算法对多个所述用户进行相似性计算以将多个 所述用户分成不同的用户群，其中，每个所述用户群包括质心以及所述质心对应的评分向量；
    所述根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群，包括：计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值；以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群，其中，所述距离值与相似度呈负相关。
  4. 根据权利要求1所述的项目推荐方法，其中，所述根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户，包括：获取预设阈值；以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
  5. 根据权利要求1所述的项目推荐方法，其中，所述获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，包括：
    逐一获取所述相似用户评分过的项目，并判断所述相似用户评分过的项目是否与所述目标用户评分过的至少一个项目中的任意一个项目相匹配；以及
    若所述相似用户评分过的项目与所述目标用户评分过的所有项目均不匹配，获取与所述目标用户评分过的所有项目均不匹配的所述相似用户评分过的项目作为推荐项目。
  6. 根据权利要求1所述的项目推荐方法，其中，所述获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，包括：获取所述目标用户的评分向量中零元素对应的项目，并将所述零元素对应的项目作为推荐项目。
  7. 根据权利要求1所述的项目推荐方法，其中，所述预设计算公式为：
    Figure PCTCN2018125332-appb-100001
    其中，Sc i为所述第一项目推荐表中第i个推荐项目的项目评分值，Sim j为所述目标用户与第j个相似用户之间的相似度值，Sc ji为第j个相似用户对第i个推荐项目的评分值，
    Figure PCTCN2018125332-appb-100002
    为所述目标用户的当前查询时间T与第j个相似用户对第i个推荐项目的评分时间t ji之间的时间衰减因子，N为所述相似用户的总数。
  8. 根据权利要求1所述的项目推荐方法，其中，所述获取目标用户的评分向量，包括：获取目标用户的评论数据，其中，所述评论数据包括所述目标用 户对至少一个项目的评分值；以及根据所述目标用户对项目的评分值构建所述目标用户的评分向量。
  9. 根据权利要求1所述的项目推荐方法，其中，所述相似度值为皮尔逊相关系数或欧几里德距离。
  10. 根据权利要求1所述的项目推荐方法，其中，所述根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，包括：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第二项目推荐表。
  11. 根据权利要求1所述的项目推荐方法，其中，所述根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，包括：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取多个所述用户群中每个用户对所述推荐项目的评论时间；从多个所述用户群中所有所述用户对所述推荐项目的评论时间中获取评论时间较晚的预设个数的评论时间；计算所述预设个数的评论时间的平均值作为所述推荐项目的平均评论时间；以及从所述第三项目推荐表中筛选出所述平均评论时间满足预设时间条件的推荐项目形成第二项目推荐表。
  12. 根据权利要求1所述的项目推荐方法，其中，所述根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，包括：按照所述项目评分值从大到小的顺序重新排列所述第一项目推荐表中的推荐项目，以生成第三项目推荐表；获取所述第三项目推荐表中每个所述推荐项目对应的项目上线时间；以及从所述第三项目推荐表中筛选出项目上线时间满足预设时间条件的推荐项目形成第二项目推荐表。
  13. 一种项目推荐装置，其包括：
    获取单元，用于获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；
    群确定单元，用于根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；
    相似度计算单元，用于根据所述目标用户的评分向量和所述目标用户群中 的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；
    用户确定单元，用于根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；
    生成单元，用于获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；
    评分值计算单元，用于根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及
    推荐单元，用于根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
  14. 一种计算机设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；获取所述相似用户评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目 推荐表，并将所述第二项目推荐表推送至所述目标用户。
  15. 根据权利要求14所述的计算机设备，其中，所述处理器在执行获取目标用户的评分向量以及获取预先存储的多个用户群之前，还实现如下步骤：获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值；根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量；根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群；以及存储多个所述用户群。
  16. 根据权利要求15所述的计算机设备，其中，所述处理器执行根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群时，具体实现如下步骤：根据所述评分向量，采用均值聚类算法对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群，其中，每个所述用户群包括质心以及所述质心对应的评分向量；
    所述处理器执行根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群时，具体实现如下步骤：计算所述目标用户的评分向量与每个所述用户群的质心的评分向量之间的距离值；以及将多个所述距离值中最小的距离值对应的用户群作为目标用户群，其中，所述距离值与相似度呈负相关。
  17. 根据权利要求14所述的计算机设备，其中，所述处理器执行根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户时，具体实现如下步骤：获取预设阈值；以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
  18. 一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如下步骤：获取目标用户的评分向量以及获取预先存储的多个用户群，其中，每个所述用户群包括多个用户及多个所述用户的评分向量，所述评分向量为相应的所述目标用户或用户对至少一个项目的评分值所形成的向量；根据所述目标用户的评分向量，从多个所述用户群中确定与所述目标用户相似度最高的用户群作为目标用户群；根据所述目标用户的评分向量和所述目标用户群中的用户的评分向量，计算所述目标用户与所述目标用户群中的每个用户之间的相似度值；根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户；获取所述相似用户 评分过的且所述目标用户未评分过的项目作为推荐项目，并根据所述推荐项目生成第一项目推荐表；根据所述目标用户与所述相似用户之间的相似度值、所述相似用户对所述推荐项目的评分值和对应的时间衰减因子，按照预设计算公式计算所述第一项目推荐表中每个所述推荐项目的项目评分值，其中，所述时间衰减因子为所述目标用户的当前查询时间与所述相似用户对所述推荐项目的评分时间之间的指数衰减函数的值；以及根据所述项目评分值，按照预设排序规则将所述第一项目推荐表中的推荐项目进行排序以生成第二项目推荐表，并将所述第二项目推荐表推送至所述目标用户。
  19. 根据权利要求18所述的计算机可读存储介质，其中，所述计算机程序当被处理器执行获取目标用户的评分向量以及获取预先存储的多个用户群之前，还使所述处理器执行如下步骤：获取多个用户的评论数据，其中，所述评论数据包括所述用户对至少一个项目的评分值；根据所述用户对至少一个所述项目的评分值构建所述用户的评分向量；根据所述评分向量对多个所述用户进行相似性计算以将多个所述用户分成不同的用户群；以及存储多个所述用户群。
  20. 根据权利要求18所述的计算机可读存储介质，其中，所述计算机程序当被处理器执行根据所述相似度值从所述目标用户群中确定所述目标用户的相似用户时使所述处理器具体执行如下步骤：获取预设阈值；以及筛选出超过所述预设阈值的相似度值对应的用户作为所述目标用户的相似用户。
PCT/CN2018/125332 2018-08-20 2018-12-29 项目推荐方法、装置、计算机设备及存储介质 WO2020037931A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810947798.9A CN109241415B (zh) 2018-08-20 2018-08-20 项目推荐方法、装置、计算机设备及存储介质
CN201810947798.9 2018-08-20

Publications (1)

Publication Number Publication Date
WO2020037931A1 true WO2020037931A1 (zh) 2020-02-27

Family

ID=65071163

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/125332 WO2020037931A1 (zh) 2018-08-20 2018-12-29 项目推荐方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN109241415B (zh)
WO (1) WO2020037931A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016979A (zh) * 2020-09-08 2020-12-01 平安科技（深圳）有限公司 用户分群方法、装置、设备和计算机可读存储介质
CN114238796A (zh) * 2021-12-23 2022-03-25 河北冀联人力资源服务集团有限公司 一种基于用户评价的推荐方法、系统与存储介质

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047508A (zh) * 2019-03-12 2019-07-23 平安科技（深圳）有限公司 语音记录方法、装置、计算机设备及存储介质
CN110363580B (zh) * 2019-06-28 2022-07-19 深圳新度博望科技有限公司 信息推荐方法、装置、计算机设备及存储介质
CN110443502A (zh) * 2019-08-06 2019-11-12 合肥工业大学 基于工人能力测评的众包任务推荐方法和系统
CN110598092A (zh) * 2019-08-12 2019-12-20 深圳市天天学农网络科技有限公司 一种内容推荐的方法
CN110737859B (zh) * 2019-09-09 2022-09-27 苏宁云计算有限公司 一种up主匹配方法及装置
CN110688582B (zh) * 2019-11-12 2022-10-18 广东小天才科技有限公司 一种应用推荐方法、应用推荐装置及终端设备
WO2021092803A1 (zh) * 2019-11-13 2021-05-20 深圳市欢太科技有限公司 推送用户确定方法、装置、服务器以及存储介质
CN110851729A (zh) * 2019-11-19 2020-02-28 深圳前海微众银行股份有限公司 资源信息推荐方法、装置、设备及计算机存储介质
CN111652686B (zh) * 2020-06-05 2024-04-19 京东科技控股股份有限公司 信息推送方法、装置及存储介质
CN112231586A (zh) * 2020-12-15 2021-01-15 平安科技（深圳）有限公司 基于迁移学习的课程推荐方法、装置、设备及介质
CN112966203B (zh) * 2021-03-12 2023-06-06 杨虡 一种等级确定方法、装置、电子设备及存储介质
CN113535790A (zh) * 2021-07-19 2021-10-22 成都数之联科技有限公司 协同推荐优化方法、装置、电子设备和可读存储介质
CN113806636A (zh) * 2021-09-23 2021-12-17 湖北天天数链技术有限公司 项目推荐方法、装置、电子设备和计算机存储介质
CN113868545B (zh) * 2021-11-30 2022-02-22 武汉卓尔数字传媒科技有限公司 一种项目推荐方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778145A (zh) * 2012-10-22 2014-05-07 中国移动通信集团广东有限公司 一种信息推荐方法和系统
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN107277115A (zh) * 2017-05-27 2017-10-20 深圳大学 一种内容推送方法及装置
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN108399232A (zh) * 2018-02-13 2018-08-14 北京奇虎科技有限公司 一种信息推送方法、装置及电子设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929928B (zh) * 2012-09-21 2015-04-22 北京格致璞科技有限公司 基于多维相似度的个性化新闻推荐方法
CN106570090A (zh) * 2016-10-20 2017-04-19 杭州电子科技大学 基于兴趣变化和信任关系的协同过滤推荐方法
CN106503269A (zh) * 2016-12-08 2017-03-15 广州优视网络科技有限公司 应用推荐的方法、装置及服务器
CN106682121A (zh) * 2016-12-09 2017-05-17 广东工业大学 一种基于用户兴趣变化的时效推荐方法
CN107295107A (zh) * 2017-08-01 2017-10-24 深圳天珑无线科技有限公司 推荐方法、推荐装置以及移动终端
CN108197285A (zh) * 2018-01-15 2018-06-22 腾讯科技（深圳）有限公司 一种数据推荐方法以及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778145A (zh) * 2012-10-22 2014-05-07 中国移动通信集团广东有限公司 一种信息推荐方法和系统
CN105787061A (zh) * 2016-02-29 2016-07-20 广东顺德中山大学卡内基梅隆大学国际联合研究院 信息推送方法
CN107277115A (zh) * 2017-05-27 2017-10-20 深圳大学 一种内容推送方法及装置
CN107507016A (zh) * 2017-06-29 2017-12-22 北京三快在线科技有限公司 一种消息推送方法和系统
CN108399232A (zh) * 2018-02-13 2018-08-14 北京奇虎科技有限公司 一种信息推送方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016979A (zh) * 2020-09-08 2020-12-01 平安科技（深圳）有限公司 用户分群方法、装置、设备和计算机可读存储介质
CN112016979B (zh) * 2020-09-08 2023-07-18 平安科技（深圳）有限公司 用户分群方法、装置、设备和计算机可读存储介质
CN114238796A (zh) * 2021-12-23 2022-03-25 河北冀联人力资源服务集团有限公司 一种基于用户评价的推荐方法、系统与存储介质

Also Published As

Publication number Publication date
CN109241415A (zh) 2019-01-18
CN109241415B (zh) 2023-04-14

Similar Documents

Publication Publication Date Title
WO2020037931A1 (zh) 项目推荐方法、装置、计算机设备及存储介质
WO2020037930A1 (zh) 信息推荐方法、装置、计算机设备及存储介质
JP5736469B2 (ja) ユーザ意図の有無に基づく検索キーワードの推薦
US8688701B2 (en) Ranking and selecting entities based on calculated reputation or influence scores
WO2019223552A1 (zh) 文章推荐方法、装置、计算机设备及存储介质
US20110307469A1 (en) System and method for query suggestion based on real-time content stream
US20120239637A9 (en) System and method for determining quality of cited objects in search results based on the influence of citing subjects
US20150248721A1 (en) Recommendation engine with profile analysis
US10311072B2 (en) System and method for metadata transfer among search entities
WO2020029401A1 (zh) 商品推荐方法、装置、计算机设备及计算机可读存储介质
US10380121B2 (en) System and method for query temporality analysis
US20150248720A1 (en) Recommendation engine
Hole et al. The use of heuristic optimization algorithms to facilitate maximum simulated likelihood estimation of random parameter logit models
CN111639696A (zh) 一种用户分类方法及装置
US20110313988A1 (en) System and method for search of sources and targets based on relative topicality specialization of the targets
CN112836126A (zh) 基于知识图谱的推荐方法、装置、电子设备及存储介质
US20150206220A1 (en) Recommendation Strategy Portfolios
WO2023206960A1 (zh) 基于内容与协同过滤的产品推荐方法、装置及计算机设备
CN108984582B (zh) 一种查询请求处理方法
US20150058307A1 (en) Device for rapid provision of information
US11113299B2 (en) System and method for metadata transfer among search entities
CN113609363A (zh) 一种用户搜索方法及装置
CN106649302A (zh) 一种搜索排序方法以及装置
CN111026913A (zh) 一种视频分发方法、装置、电子设备及存储介质
Phukseng et al. Recommender system based on expert and item category

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18931028

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 31/05/2021)

122 Ep: pct application non-entry in european phase

Ref document number: 18931028

Country of ref document: EP

Kind code of ref document: A1